· 2018
LSTNet, Derin Öğrenme ile Uzun ve Kısa Vadeli Zamansal Örüntüleri Modeller
Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks
- 2.077atıf
- 2018yıl
Kısa özet
Evrişimli Sinir Ağları (CNN), Tekrarlayan Sinir Ağları (RNN) ve otoregresif modelleri birleştiren yeni bir Uzun ve Kısa Vadeli Zaman Serisi ağı (LSTNet) çerçevesi, hem kısa vadeli bağımlılıkları hem de uzun vadeli eğilimleri yakalayarak çok değişkenli zaman serisi tahminini önemli ölçüde iyileştirir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- LSTNet, çok değişkenli zaman serisi tahmini için yeni bir derin öğrenme çerçevesidir.
- Kısa vadeli yerel bağımlılıklar için CNN'leri ve uzun vadeli örüntüler için RNN'leri birleştirir.
- Ölçek duyarsızlığını ele almak için bir otoregresif model içerir.
- LSTNet, gerçek dünya verilerinde temel yöntemlere göre önemli performans iyileştirmeleri göstermiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Multivariate time series forecasting is an important machine learning problem across many domains, including predictions of solar plant energy output, electricity consumption, and traffic jam situation. Temporal data arise in these real-world applications often involves a mixture of long-term and short-term patterns, for which traditional approaches such as Autoregressive models and Gaussian Process may fail. In this paper, we proposed a novel deep learning framework, namely Long- and Short-term Time-series network (LSTNet), to address this open challenge. LSTNet uses the Convolution Neural Network (CNN) and the Recurrent Neural Network (RNN) to extract short-term local dependency patterns among variables and to discover long-term patterns for time series trends. Furthermore, we leverage traditional autoregressive model to tackle the scale insensitive problem of the neural network model. In our evaluation on real-world data with complex mixtures of repetitive patterns, LSTNet achieved significant performance improvements over that of several state-of-the-art baseline methods. All the data and experiment codes are available online.
Yazarların özeti; kaynağından alınmıştır., 2018 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Sinyal İşleme
Signal ProcessingComputer Science